高校专区
CasualSynth: 生成结构上合理的合成数据
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Institute of Logic and Computation, TU Wien（维也纳技术大学逻辑与计算研究所）
AI总结 本文提出CasualSynth框架，通过解耦因果结构生成与语义实现，生成既符合因果机制又语义丰富的合成数据，解决了LLM在生成合成数据时无法保证因果正确性的问题。
Comments 15 pages
在类级别监督不可靠性下的鲁棒音频标签
机构 * Machine Learning Research Group, Engineering Science, University of Oxford（牛津大学机器学习研究组） ； GISP, Harbin Engineering University（哈尔滨工程大学GISP） ； EECS, KTH Royal Institute of Technology（皇家理工学院电子工程与计算机科学系） ； CVSSP, University of Surrey（萨里大学计算机视觉与模式识别实验室）
AI总结 本文针对音频标签任务中类依赖性的监督不可靠性问题，提出了一种新的框架CSU，通过在训练过程中控制类级别的监督强度，提高了模型在不同架构和不同监督不可靠性源下的鲁棒性。
Soap2Soap：通过多智能体协作实现长 cinematic 视频重制
机构 * Show Lab, National University of Singapore（新加坡国立大学Show实验室） ； University of Oxford（牛津大学） ； Lovart AI（Lovart人工智能）
AI总结 本研究提出 Soap2Soap 框架，通过多智能体协作实现长 cinematic 视频重制，解决视频到视频生成中长期一致性与叙事保真度的问题。
LLM代理市场中的战略利用：电子商务信任的模拟框架
机构 * Northwestern Polytechnical University（西北工业大学） ； Boston University（波士顿大学） ； Fudan University（复旦大学） ； Wuhan University（武汉大学） ； Chinese Academy of Sciences（中国科学院） ； University of Oxford（牛津大学）
AI总结 本文提出TruthMarketTwin模拟框架，用于研究LLM代理在电子商务市场中的行为，发现LLM代理在传统市场中会利用声誉治理的弱点，而强制执行可减少欺骗并重塑战略推理。
旧习惯难改：对话历史如何几何学地困住大语言模型
机构 * Technion - Israel Institute of Technology（技术ion-以色列理工学院） ； University of Oxford（牛津大学） ； University of Zagreb, FER（Zagreb大学，FER） ； Kempner Institute, Harvard University（Kempner研究所，哈佛大学） ； University of Edinburgh（爱丁堡大学）
AI总结 研究探讨对话历史如何通过几何陷阱影响大语言模型的后续表现，提出History-Echoes框架从概率和几何两个角度分析对话历史偏差，并揭示行为持续性在潜在空间中的几何陷阱。
Comments Accepted to ICML 2026
监督稀疏自编码器用于可解释和组合性表示
机构 * Department of Computer Science, University of Oxford, Oxford, UK（牛津大学计算机科学系） ； KAIST AI, Korean Advanced Institute of Science（韩国科学技术高级研究院AI研究所） ； Independent researcher（独立研究者）
AI总结 本文提出了一种监督稀疏自编码器，通过结合无约束特征模型和监督学习，解决稀疏自编码器在非光滑性及特征与人类语义对齐方面的不足，实现了组合性泛化和语义图像编辑。
Scales++: 一种计算高效的评估子集选择方法，基于认知尺度嵌入
机构 * Thomson Reuters Foundational Research（汤姆森路透基础研究） ； University of Oxford（牛津大学） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 本文提出了一种基于任务项目内在属性的评估子集选择方法Scales++，通过减少预选成本并保持预测保真度，提高了大规模语言模型的评估效率，同时提升了冷启动性能和可解释性。
Comments 9 pages, 2 figures, 4 tables
基于KL松弛和策略梯度的可扩展双因果最优传输
机构 * Department of Applied Mathematics and Statistics, Data Science and AI Institute, and Mathematical Institute for Data Science, Johns Hopkins University（应用数学与统计学系、数据科学与人工智能学院以及数据科学数学研究所，约翰霍普金斯大学） ； Department of Statistics, Oxford-Man Institute of Quantitative Finance, and Nuffield College, University of Oxford（统计系、牛津-曼定量金融研究所以及牛津大学努尔菲尔德学院） ； Management Science & Engineering Department, Stanford University（管理科学与工程系，斯坦福大学） ； School of Mathematical Sciences, Peking University（北京大学数学科学学院）
AI总结 本文提出了一种基于KL松弛和策略梯度的可扩展双因果最优传输方法，通过引入KL惩罚项将硬约束转化为可处理的散度惩罚，从而解决连续分布和长时域下双因果耦合约束的计算难题，展示了在稳健子对冲和时间序列统计降缩等应用中的有效性。
扩展预训练的10秒ECG基础模型以适应更长的时域
机构 * City University of Hong Kong（香港城市大学） ； Imperial College London（伦敦帝国学院） ； Wake Forest University（威克森林大学） ； University of Nottingham（诺丁汉大学） ； Lingnan University（岭南大学） ； University of Oxford（牛津大学）
AI总结 本文提出了一种参数高效的框架，通过在不重新训练基础模型的情况下扩展预训练的10秒ECG基础模型，使其能够处理更长和可变长度的ECG信号，解决了结构不兼容和语义挑战问题，实验表明其在多个长时域ECG任务中优于滑动窗口和池化基线方法。
某些身体必须承受痛苦以实现代理问责
机构 * University of Oxford（牛津大学） ； New York University Shanghai（纽约大学上海分校）
AI总结 本文研究了人工智能代理问责中的后果接收问题，指出当前LLM代理无法满足必要的身体条件，因此传统法律回应失效，提出需要建立社会技术基础设施来实现后果-代理耦合。
可区分删除：统一知识擦除与拒绝用于大语言模型去学习
机构 * Department of Natural Language Processing, MBZUAI. ； University of Oxford. ； RIKEN Center for Advanced Intelligence Project. ； TMLR Group, Department of Computer Science, Hong Kong Baptist University
AI总结 本文提出D^2方法，通过限制潜在表示中的响应分布来擦除不受欢迎的知识，同时区分保留知识，从而实现安全且一致的拒绝机制，以提高大语言模型去学习的效果。
Comments ICML2026 Accepted
强化共轭匹配：扩散和流匹配模型的后训练强化学习扩展
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； King's College London（伦敦国王学院） ； Microsoft Research New England（微软研究院新英格兰分部） ； University of Oxford（牛津大学）
AI总结 本文提出Reinforce Adjoint Matching方法，通过强化学习后训练优化扩散和流匹配模型，无需SDE回滚或梯度，提升生成质量与人类偏好匹配度。
利用量子计算机加速多层神经网络推理
机构 * Department of Materials, University of Oxford（牛津大学材料系） ； Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Quantum Motion（Quantum Motion公司） ； Centre for Quantum Technologies, National University of Singapore（新加坡国立大学量子中心） ； Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系）
AI总结 本文首次提出全相干的多层神经网络量子实现，采用残差块、多滤波2D卷积、Sigmoid激活等结构，分析了不同量子数据访问模式下的推理复杂度，证明了在不同条件下可实现二次到四次方的加速效果。
Comments Published at the International Conference on Learning Representations (ICLR), 2026
大语言模型代理是封闭生态系统的解药
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Institute for Decentralized AI（去中心化人工智能研究所）
AI总结 本文提出通过大语言模型代理实现通用互操作性，打破封闭平台垄断，促进数据端到端迁移，同时探讨其带来的安全与法律挑战。
Comments Published at the ICML 2026 Position Paper track
语言模型作为定制环境多目标强化学习的高效奖励函数搜索器
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, China（清华大学深圳国际研究生院，清华大学，中国） ； Department of Computer Science, University of Oxford, United Kingdom（英国牛津大学计算机科学系） ； Department of Data Science, New Jersey Institute of Technology, USA（美国新泽西理工学院数据科学系）
AI总结 本文提出ERFSL，利用语言模型高效搜索奖励函数，通过生成奖励组件和使用奖励批评者修正代码，实现多目标强化学习任务中零样本学习的高效奖励函数设计。
关注人工智能：一种有效的人工智能系统人类监督的框架
机构 * University College London（伦敦大学） ； University of Freiburg（弗赖堡大学） ； University of Queensland（昆士兰大学） ； Saarland University（萨尔兰大学） ； TU Dresden（德累斯顿技术大学） ； Delft University of Technology（代尔夫特理工大学） ； University of Minnesota（明尼苏达大学） ； University College Dublin（都柏林大学） ； University of Oxford（牛津大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； Technische Universität Berlin（柏林技术大学） ； University of Lübeck（吕贝克大学） ； University of Melbourne（墨尔本大学） ； University of Chicago（芝加哥大学） ； Maastricht University（马斯特里赫特大学）
AI总结 本文提出一个跨学科框架，用于有效的人工智能系统人类监督，定义了监督架构和流程，并探讨了该领域需要考虑的开放性研究挑战。
Comments The conceptual analysis for this work was undertaken by the authors at Dagstuhl seminar 25272 'Challenges of Human Oversight: Achieving Human Control of AI-Based Systems' (https://www.dagstuhl.de/25272), held at Schloss Dagstuhl (June 29th-July 4th, 2025)
通过多项式混沌代理实现序列生成模型中可解释的epistemic不确定性分解
机构 * Mathematical Institute, University of Oxford, United Kingdom（牛津大学数学研究所，英国） ； IBM Research, Thomas J. Watson Research Center, USA（IBM研究院，托马斯·J·沃森研究中心，美国） ； IBM Research Europe, Daresbury, United Kingdom（IBM欧洲研究院，达尔斯伯里，英国） ； MIT–IBM Watson AI Lab, Massachusetts, USA（麻省理工–IBM沃森人工智能实验室，马萨诸塞州，美国） ； Université de Montréal, Mila–Quebec AI Institute, Montreal, Quebec, Canada（蒙特利尔大学，魁北克人工智能研究所，蒙特利尔，魁北克，加拿大）
AI总结 本文提出通过多项式混沌展开分析序列生成模型中epistemic不确定性的来源，揭示奖励组件对生成决策的影响，优于深度集合、贝叶斯神经网络等方法，且在多个真实任务中展现高效性和鲁棒性。
Comments 37 pages, 15 figures
AI介导的交流可以引导集体意见
机构 * Hasso Plattner Institute（哈索普兰特纳研究所） ； Oxford Internet Institute, University of Oxford（牛津互联网研究所，牛津大学） ； Weizenbaum Institute（魏泽纳姆研究所）
AI总结 本文研究AI在人类间交流中对集体意见形成的影响，通过实证和理论分析展示AI引入的方向性偏见如何通过网络放大并改变集体观点，探讨平台如何控制此类偏见。
离线语义引导用于高效视觉-语言-动作策略蒸馏
机构 * Department of Mechanical Engineering（机械工程系） ； University College London（伦敦大学学院） ； Department of Engineering Science（工程科学系） ； University of Oxford（牛津大学）
AI总结 本文提出VLA-AD框架，利用视觉-语言模型作为离线语义监督者，将大规模VLA教师模型蒸馏为轻量学生策略，通过高阶语义指导提升效率与鲁棒性。
二阶多级方差校正用于多模态模型中的模态竞争
机构 * University of Oxford, Oxford, United Kingdom（牛津大学，英国）
AI总结 本文提出ML-FOP-SOAP框架，通过多级方差校正提升多模态对齐稳定性，实验显示在Janus和Emu3数据集上，该方法提高了样本效率和训练速度，适用于大规模多模态基础模型。
熵跨桥梁：用于流和薛定谔采样的条件-边缘离散化
机构 * NVIDIA Corporation（NVIDIA公司） ； University of Oxford（牛津大学） ； Donders Institute for Brain, Cognition, and Behaviour（大脑与行为研究所） ； AITHYRA, Research Institute for Biomedical AI（生物医学人工智能研究所）
AI总结 本文提出一种基于熵率的目标，用于桥-aware的离散化，通过分离端点条件桥几何和边缘流演变，提升低预算下的高维桥和流采样性能。
分割、检测与解释：一种用于CT外观推理的统一框架
机构 * Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford（生物医学工程研究所，工程科学系，牛津大学）
AI总结 本文提出统一框架，整合语言引导的视觉推理，提升CT图像分割与检测的精度，并提供外观推理输出。
Comments 8 pages, 4 figures, submitted to IEEE Transactions on Medical Imaging (TMI)
从失败到反馈：群体修订解锁对象级 grounding 的难题
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学人工智能研究所） ； Technical University of Munich（慕尼黑技术大学） ； University of Science and Technology of China（中国科学技术大学） ； Cornell University（康奈尔大学）
AI总结 本文提出群体修订优化方法，通过生成改进候选响应提升硬案例学习效果，改进奖励和优势函数以增强高质量修订影响，优于现有GRPO方法。
Comments 8 pages, 5 figures, IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026
适应性符合预测用于量子机器学习
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系）
AI总结 本文提出适应性量子符合预测算法，解决量子处理器时间变化噪声对符合保证的影响，通过重复校准保持有效性，实验证明其在IBM量子处理器上的稳定性和覆盖率。
Comments Accepted at TMLR 05/2026. 27 pages, 5 figures
Journal ref Transactions on Machine Learning Research, May 2026, ISSN 2835-8856
前沿大语言模型与最先进的规划器相媲美
机构 * University of Oxford（牛津大学） ； Federal University of Rio Grande do Sul（里约格兰德杜斯尔大学） ； Linköping University（林霍普大学）
AI总结 研究显示前沿大语言模型在规划任务中超越传统规划器， Gemini 3.1 Pro在标准任务中表现突出，GPT-5表现接近基线，且在符号规划中仍具竞争力，揭示了大语言模型规划能力的提升趋势。
关注重叠的分割以重建被遮挡物体的拓扑结构
机构 * Department of Physics and Astronomy, University of New Mexico（新墨西哥大学物理与天文学系） ； Department of Physics, Blackett Laboratory, Imperial College London（伦敦帝国理工学院物理系） ； Particle Physics Department, STFC Rutherford Appleton Laboratory（英国科学与技术设施委员会拉瑟福德-苹果顿实验室粒子物理部） ； Luleå University of Technology（卢勒阿高校） ； CERN（欧洲核子研究中心） ； ISIS Neutron and Muon Source, STFC Rutherford Appleton Laboratory（英国科学与技术设施委员会拉瑟福德-苹果顿实验室ISIS中子与穆子源） ； University College London (UCL), Department of Physics and Astronomy（伦敦大学学院（UCL）物理与天文学系） ； Department of Physics, Keble Road, University of Oxford（牛津大学物理系） ； Helsinki Institute of Physics, University of Helsinki（赫尔辛基大学物理研究所） ； School of Physics and Astronomy, University of Birmingham（伯明翰大学物理与天文学学院） ； LIP – Laboratório de Instrumentação e Física Experimental de Partículas, University of Coimbra（科英布拉大学粒子物理实验仪器实验室） ； Departamento de Fisica Teorica, Universidad Autonoma de Madrid（马德里自治大学理论物理系） ； Department of Physics, King’s College London（伦敦国王学院物理系） ； University of Hamburg（汉堡大学）
AI总结 本文提出OASIS框架，通过加权损失函数优先处理重叠区域，提升被遮挡物体的像素强度和拓扑特征重建。在MIGDAL实验中，OASIS显著改善了低能电子轨迹的重建效果。
在预算内搜索：具有10个延迟探针的HW-NAS
机构 * University of Oxford（牛津大学） ； Julius-Maximilians-Universität Würzburg（乌尔姆-马克斯-普朗克大学） ； Technische Universität Darmstadt（达姆施塔特技术大学） ； Politecnico di Torino（都灵理工大学）
AI总结 本文提出一种两阶段HW-NAS框架，通过在合成设备上预训练控制器，再在目标设备上直接部署，利用少量高保真延迟测量实现目标设备架构设计，无需预收集信息。
神经点形
机构 * NVIDIA ； University of Oxford（牛津大学） ； Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究所） ； Department of Mathematical Sciences（数学科学系） ； Chalmers University of Technology and University of Gothenburg（查尔姆斯理工大学和哥德堡大学） ； School of Engineering and Applied Sciences（工程与应用科学学院） ； Max Planck Institute of Molecular Cell Biology and Genetics（马克斯·普朗克分子细胞生物学与遗传学研究所）
AI总结 本文提出神经点形（NPFs），通过扩散几何中的拉普拉斯技术，构建点云的可学习几何特征，用于比较微分形式，并在合成和生物相关实验中展示其在处理采样密度、流形结构和群体几何时的优势。
LAPS：利用主动池化和采样改进增量激光雷达映射
机构 * Department of Mechanical Engineering, Seoul National University（首尔国立大学机械工程系） ； Oxford Robotics Institute at the University of Oxford（牛津大学机器人研究所）
AI总结 LAPS通过主动池化和采样提升增量神经映射的回放管理，提高回放保留和分配，增强重建完整性与几何精度。
Comments accepted at RA-L 2026
问对问题：通过生成的中间步骤提升推理能力
机构 * FAIR at Meta（Meta的FAIR） ； Stanford University（斯坦福大学） ； University of Oxford（牛津大学）
AI总结 本文研究了生成中间步骤对提升LLM推理能力的作用，提出ARQ框架通过生成问题增强推理过程，展示了生成问题的有效性和训练方法。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈